論文の概要: Gap-Priced $|T\rangle$-States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning

• arxiv url: http://arxiv.org/abs/2610.19299v2
• Date: Wed, 21 Oct 2026 01:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.951488
• Title: Gap-Priced $|T\rangle$-States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning
• Title（参考訳）: Gap-Priced $|T\rangle$-States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning
• Abstract要約: Gap-Priced $|Trangle$ Statesは格子式手術スケジューラとファクトリーアロケータで、T$-errorの予算で両方のメソッドを最適化する。 GP$|Trangle$-Sは、予算を超えることなく、栽培のみのベースラインと単要素のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 3.2778430861562597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magic $|T\rangle$-state preparation dominates the cost of fault-tolerant quantum computation on surface codes, yet cultivation and distillation are typically provisioned statically, leaving much of the program's error budget unused. We present Gap-Priced $|T\rangle$ States (GP$|T\rangle$-S), a lattice surgery scheduler and factory allocator that co-optimizes both methods under a total $T$-error budget. GP$|T\rangle$-S uses the complementary gap of each cultivated state as a fidelity estimate and dynamically adjusts the cultivation gap cutoff, converting budget slack into speed by giving the scheduler control over the cultivation post-selection. GP$|T\rangle$-S also characterizes distillation factories by size, $|T\rangle$-state production rate, and budget slack, and introduces cultivating factories that embed cultivation within routing channels, achieving fidelities otherwise requiring two-level distillation at a single-level footprint. GP$|T\rangle$-S organizes these characterizations into a factory catalog, and performs distillation factory allocation over this catalog in tandem with the gap cutoff using dynamic-programming to achieve one of i) minimum spacetime volume, ii) minimum execution time, or iii) minimum space overhead, all within a user-provided $T$-error budget. Across sixteen benchmarks under high and low $T$-error budgets of $10^{-3}$ and $10^{-5}$ respectively, GP$|T\rangle$-S consistently outperforms cultivation-only and single-factory baselines without exceeding the budget, achieving a 5.5$\times$ geometric mean speedup in logical cycle count and a 3.4$\times$ geometric mean reduction in space-time volume.
• Abstract（参考訳）: Magic $|T\rangle$-state の準備は、表面コード上でのフォールトトレラントな量子計算のコストを支配しているが、栽培と蒸留は通常静的に準備され、プログラムのエラー予算の多くは未使用のままである。 本稿では,Gap-Priced $|T\rangle$ States (GP$|T\rangle$-S)を提案する。 GP$|T\rangle$-Sは、各栽培状態の相補的ギャップを忠実度推定として使用し、耕作ギャップカットオフを動的に調整し、耕作後選択のスケジューラ制御を施し、予算スラックを速度に変換する。 GP$|T\rangle$-S はまた、蒸留工場の規模を$|T\rangle$-state production rate と budget slack で表し、ルーティングチャネルに栽培を埋め込んだ栽培工場を導入する。 GP$|T\rangle$-S はこれらの特徴をファクトリーカタログに整理し、このカタログ上で蒸留工場割り当てを行う。 一 時空の最小容積 二 最低執行時間、又は 三 最低限の空間オーバーヘッドで、全てユーザが提供するT$-error予算の範囲内にあること。 高い値と低い値のT$-error 予算が 10^{-3}$ と 10^{-5}$ の16のベンチマークで、GP$|T\rangle$-S は、予算を超えることなく、栽培のみのベースラインと単要素のベースラインを一貫して上回り、5.5$\times$ 論理サイクル数における幾何平均のスピードアップと3.4$\times$ 時空間体積の幾何平均の削減を達成する。

関連論文リスト

• Smoothing the Top-k Exposure Boundary for Sparse Mixture-of-Experts [45.31502436468577]
  本稿では, 分散分布の局所化から, アクティブなエキスパート予算を$k$とするElastic Expert Routingを提案する。 サンプリング近傍は対称のままであるため、この手法は決定論的トレーニングの予測計算コストと一致する。 オフスクラッチ事前トレーニングでは、検証LM損失を0.04ドルまで減らし、静的のトップ$k$ベースラインを平均16ドルポイント上回る。
  論文  参考訳（メタデータ） (2026-10-08T09:31:19Z)
• TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
  TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。 Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-10-07T03:01:51Z)
• Entropy-Gated Latent Recursion [9.65821666936513]
  インタイムスケーリングは言語モデル推論を改善する主要なレバーとなっている。 既存の方法は、単一ソースからロールアウトの多様性を導き出す:トークンレベルのサンプリング。 この単軸サンプリング空間は基本的に制限されている。 L$軸は真に温度と相補的であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T12:14:01Z)
• SILAGE: Memory-Efficient, Full-Gradient-Free Nonconvex Optimization for Nested Finite Sums [51.49970814177172]
  データセットに対する経験的リスクは、自然に$N=nm$全サンプルに類似性を示す。 我々は悲観的な収束分析を避ける分析を提供する。 我々の成果は、既存の最先端の体制を改善した。
  論文  参考訳（メタデータ） (2026-06-14T14:11:07Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Block-Wise Differentiable Sinkhorn Attention: Tail-Refinement Gradients with a Gap-Aware Dustbin Bridge [0.0]
  本稿では,TPUハードウェア上での長期的コンテキストバランスによる最適輸送注意度を,停止ベース,固定深部テールリファインメントサロゲートを用いて検討する。 本稿では, 局所的代理バイアスバウンド, 後部バイアス証明書, および, 厳密な正の能動ブロックに対する射影収縮証明書を提供する。 合成マスク問題では、最適化された置換基の正確なオートディフは10〜5ドル-10〜10ドルである。
  論文  参考訳（メタデータ） (2026-04-28T19:01:11Z)
• INJEQT: Improved Magic-State Injection Protocol for Fault-Tolerant Quantum Extractor Architectures [2.8939699256527276]
  FTQCシステムの設計は、限られたエラー予算と、主に非クリフォードゲートのシーケンシャルな実行によって制約されている。 本研究では,空間効率のよいQEC符号上での普遍的な量子計算を可能にするFTQC設計である抽出器アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2026-04-28T00:58:22Z)
• From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
  以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。 実現可能な最小二乗の設定において、新しい最上界を創出する。 我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
  論文  参考訳（メタデータ） (2025-04-06T18:39:45Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。